农业机械学报

作者：金智文，王宁，肖坚星，王天海，仇瑞承，李寒，张漫

单位：中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,

关键词：田间道路提取;语义分割;无人机;正射影像图;深度学习

基金：国家重点研发计划项目(2021YFD200060442)和中国农业大学 2115 人才工程项目

田间可行驶道路边界信息获取是制作农田高精度地图的基础。针对现有方法对高分辨率正射影像图中田间可行驶道路分割不准确、出现漏检误检等问题,本文提出了一种基于改进UNet的深度学习网络模型。该方法首先将主干网络更换为ResNet50,增强对田间可行驶道路特征提取能力;其次,融合可以提高管状结构精度的DSConv模块提高对田间可行驶道路的精度,并抑制与田间道路类似的田间地物背景的特征提取;最后,通过插入ECANet注意力机制来获取完整的上下文信息,优化田间可行驶道路的特征还原过程,从而达到提高模型整体分割精度的目的。在此基础上,通过传统图像处理方法对分割结果进一步地去噪、消孔,从而获取高精度的田间可行驶道路边界信息。试验结果表明,改进UNet模型在所构建数据集的测试集上MIoU、MPA分别达91.12%、95.46%,与其他对比模型相比具有最高的评价指标值,使用传统图像处理方法后处理后,MIoU和MPA为92.64%和96.75%,分别提高1.52、1.29个百分点;在对高分辨率正射影像图田间可行驶道路的识别测试中,MIoU和MPA分别达86.39%和90.01%,可以明显地识别田间可行驶道路;使用传统图像处理方法后对获得的高分辨率正射影像图结果进行优化后,MIoU和MPA分别为88.34%、91.53%,分别提高1.95、1.52个百分点。该研究可以为后续制作农田高精度地图提供准确的田间可行驶道路边界信息。

来源：2025年第2期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第2期